Kandinsky 6.0 Video vs Alibaba Wan 2.7: Öppna vikter mot en svit med fyra modeller

Kandinsky 6.0 Video ger dig en checkpoint med 29B parametrar som du kan ladda ner och ett fem sekunder långt klipp i utbyte. Wan 2.7 ger dig fyra uppgiftsspecifika varianter, klipp på upp till femton sekunder och en faktura per sekund. De två meningarna är jämförelsen, och anledningen till att den är värd att skriva ned är att de flesta sida-mot-sida-jämförelser jämför dem utifrån visuell kvalitet, där ingen av dem har en oberoende poäng som skulle avgöra saken – och hoppar över den axel där de verkligen skiljer sig åt, vilket är vad var och en förväntar sig att du ska komma med.

Sbers Kandinsky Lab släppte Kandinsky 6.0 Video med öppen källkod under första veckan i oktober 2026 under MIT-licens, i två storlekar – Pro med 29B och Lite med 3B – med kod, checkpoints och diffusers-integration. Alibabas Wan 2.7 lanserades den 3 april 2026 som en svit – text-till-video, bild-till-video, referens-till-video och videoredigering – med debitering per sekund genererad video. En av dem är en modell du kör; den andra är en tjänst du köper. Den intressanta frågan är inte vilken som är bättre, utan vilken som är rätt form för arbetet.

Den enda axeln där de är direkt jämförbara

Båda modellerna genererar video med ljud, inte video som du sedan lägger musik på. Det är ovanligare än det låter, och det är därför dessa två överhuvudtaget nämns tillsammans – större delen av fältet producerar fortfarande en tyst MP4 och lämnar ljudet till ett separat steg.

Kandinsky 6.0 Video gör det med en tvåströms-CrossDiT: en videoström initierad från checkpointen för Kandinsky 5.0 Video, en ljudström tränad från grunden på stora ljudkorpusar, och dubbelriktad korsuppmärksamhet som kopplar samman dem, tränade gemensamt efter en kontinuerlig förträningsfas. Utdata är 44 kHz-ljud med läppsynk, från en textprompt (T2AV) eller en referensbild (I2AV).

Wan 2.7 producerar också inbyggt ljud, utan att publicera mekanismen i samma detalj. Dess egen dokumentation anger ljudkvalitet och textnoggrannhet på skärmen som de två områden som fortfarande behöver förbättras – ett förbehåll om återgivningstrohet som är värt att hålla fast vid, eftersom det är leverantören som säger det, inte en recensent som gissar.

Det är där likheten slutar. Allt nedanför den här linjen är en avvikelse, inte en rangordning.

Fem sekunder mot femton, och vad det gör med en taglista

Kandinsky 6.0 Video är tränad på 121 bildrutor, 24 fps – fem sekunder – och utgåvan innehåller inget förlängningsläge. Artikeln, serveringsreceptet som slagits samman i vLLM-Omni och repots prestandatabell är alla byggda kring den enda klipplängden. Ett trettio sekunder långt stycke är sex genereringar och fem sammanfogningar, och sammanfogningarna är det upp till dig att dölja.

Wan 2.7 täcker två till femton sekunder i en generering, bestämt per begäran. För ett talking head-klipp, en produktinsättning eller en enda kamerarörelse är den skillnaden inte en bekvämlighet – det är skillnaden mellan en rendering och ett monteringssteg. För allt som byggs upp tagning för tagning är fem sekunder en normal arbetsenhet och gapet försvinner till stor del.

• Maximalt klipp — Kandinsky 6.0 Video: 5 s, fast, 121 bildrutor vid 24 fps. Wan 2.7: 2–15 s, ställs in per begäran.

• Upplösning — Kaskade: SD, HD och Full HD (1920×1080) genom en separat superupplösning, Wan 2.7: upp till 1080p.

• Referenskonditionering — Kandinsky 6.0 Video: en bild, tillämpad som en maskerad sista bildruta. Wan 2.7: upp till fem motivbilder och fem referensklipp, tio tillgångar per begäran.

• Uppgifter — Kandinsky 6.0 Video: T2AV och I2AV. Wan 2.7: text-till-video, bild-till-video, referens-till-video och videoredigering som separata varianter med separat fakturering.

• Vikter — Kandinsky 6.0 Video: MIT, nedladdningsbara, Pro och Lite. Wan 2.7: nej.

Fyra uppgifter mot två lägen

Uppgiftsantalet är den del av Wan 2.7 som underskattas i jämförelsetabeller, eftersom det inte är ett kvalitetspåstående – det är ett omfångspåstående. Instruktionsbaserad redigering av befintligt material, där du beskriver en ändring och får tillbaka samma tagning med ändringen tillämpad, är en arbetsuppgift som Kandinsky 6.0 Video inte försöker sig på alls. Referens-till-video, där en tillhandahållen prestation styr ett genererat subjekt, ligger likaså utanför dess två lägen.

Dess fakturering återspeglar omfattningen. Wan 2.7:s text-till-video- och bild-till-video-varianter debiterar endast för utdatans varaktighet – $0.10/s vid 720p och $0.15/s vid 1080p på de internationella Singapore-slutpunkterna, medan Peking och Tokyo listar $0.086/s och $0.143/s för samma arbete. Referens-till-video-varianten debiterar även indatavideon, med ett tak på fem sekunder, så en referens på fem sekunder som driver en generering på femton sekunder debiteras för tjugo sekunders arbete. Video-redigeringsvarianten debiterar endast utdata och behandlar indatamaterialet som gratis – vilket är den enskilt mest förmånliga taxan i familjen, och anledningen till att redigering är det område där 2.7 verkligen är billigt.

Två livscykelfakta hör ihop med de siffrorna. Alibaba kopplade en tidsbegränsad lanseringsrabatt på 30 % till sina egna Bailian- och Qwen Cloud-ytor, och den gick ut den 23 september 2026. Separat tar Alibaba Clouds avvecklingsmeddelande för Model Studio (ID 118434) flera äldre modeller offline den 10 oktober 2026, och wan2.7-r2v och wan2.7-image finns med på listan. Det är på variantnivå snarare än en nedstängning av generationen – wan2.7-t2v och wan2.7-i2v finns fortfarande listade med aktuella priser – men om referens-till-video var anledningen till att du tittade på 2.7, har den vägen fyra dagar kvar.

Vad de oberoende styrelserna visar och inte visar

Det här är avsnittet där de flesta jämförelser av dessa två modeller i tysthet fuskar, så det är värt att vara precis om vad som faktiskt finns.

Wan 2.7 har oberoende poäng på tre separata videotavlor från Artificial Analysis, och de stämmer inte överens med varandra eftersom de mäter olika saker:

• Text-till-video — Wan2.7-260612 (juni-versionen) ligger på 13:e–14:e plats med Elo 1 030 (±9) baserat på 5 571 röster, till $9.00/min.

• Bild-till-video — Wan 2.7 (aprilversionen) ligger på 12:e plats med Elo 1 077 (±8) över 4 571 röster, till $9,00/min.

Videoredigering – Wan 2.7 ligger på 5:e plats med Elo 1 077 (±5) efter 17 988 röster, till $16.90/min.

Läs de tre tillsammans, och den användbara slutsatsen är inte "Wan 2.7 ligger på tolfte plats när det gäller video". Det är att modellen är markant starkare på redigering än på generering, på resultattavlor byggda för vardera, och att ange ett enda tal för den är ett misstag i endera riktningen.

Kandinsky 6.0 Video har inget resultat på någon av dem. Den publicerade bevisningen kommer från leverantörens sida, och det är värt att säga exakt vad den består av: en VABench-körning där laboratoriet rapporterar att Pro leder inom talsynteskvalitet, ljudestetik, text-video- och audio-video-alignering, läppsynkroniseringens noggrannhet, desynkronisering och visuell realism bland de tre utvärderade systemen — de andra två är dess egen Lite-modell och LTX 2.5 — samt en mänsklig utvärdering sida vid sida som utförts av laboratoriet, med ungefär 200 eller fler parvisa jämförelser per kriterium, där Pro är konkurrenskraftig mot Kling 2.6 och Veo 3.1 Fast, ligger efter MiniMax H3 och Dreamina Seedance 2.0 på visuella kriterier och förblir konkurrenskraftig på talsynteskvalitet och ljud- och videosynkronisering. Inget av detta har reproducerats utanför Sber, och inget av detta är ett Elo på en blind offentlig topplista. Den riktiga tolkningen är ”lovande och ogranskad”, inte ”matchar Veo”.

Vad var och en kostar, angivet i de termer som respektive sida använder

De två prismodellerna kan inte reduceras till en enda siffra, och att låtsas något annat är så team fattar fel beslut.

Wan 2.7 är en taxa per sekund. Ett 1080p-klipp på femton sekunder kostar cirka $2,25. En trettio sekunder lång sekvens är två genereringar plus en redigering — $4,50 i rå generering plus din monteringstid, eller mindre om redigeringsvarianten gör jobbet, eftersom den inte tar betalt för indata.

Kandinsky 6.0 Video har ingen taxa alls, eftersom det inte finns någon tjänst att köpa. Det som finns är en GPU-timkostnad som du själv anger. Repositoriets egna siffror sätter golvet: ett Pro Full HD-klipp på fem sekunder är cirka 402 sekunders arbetstid på en H100 efter uppvärmning, 854 på en RTX 5090 och 1 247 på en RTX 4090. Den destillerade checkpointen – som artikeln mätte till paritet med den fullständiga modellen, genomsnittlig preferens 51 % mot 49 % utan att något kriterium nådde signifikans – är den du faktiskt skulle servera. Allt under 72,8 GiB i högsta allokering kräver block-offloading, och 16 GB-förinställningen kvantiserar textkodaren till NF4, vilket artikeln bekräftar är den enda förinställningsändringen som förändrar själva klippet.

Enkelt uttryckt: Wan 2.7:s kostnad är en rad på en faktura du kan förutse. Kandinsky 6.0 Videos kostnad är en maskin du äger, en rendering som tar minuter per fem sekunder, och möjligheten – inte skyldigheten – att finjustera.

Var en router sitter i detta

OrcaRouter tillhandahåller varken Kandinsky 6.0 Video eller Alibaba Wan 2.7, och inga sådana anspråk görs här. Kandinsky kan du ladda ner och köra själv; Wan 2.7 nås via Alibabas egna plattformar. Det en pipeline byggd på någon av modellerna behöver från en router är textlagret som omger renderingen: promptexpansionen som förvandlar en tagningbeskrivning till den långa eller korta bildtext som dessa modeller tränades på, det bildtext- och dialogarbete som matar en bild-till-video-pass, och de granskningssammanfattningar som avgör vilken av flera genereringar som ska behållas. Det är vanliga textanrop, och de körs på en OpenAI-kompatibel endpoint över fler än 200 modeller med leverantörslistpriser som förs vidare med 0 % påslag, så en leverantörsprissänkning är live samma dag i stället för efter en avtalscykel. Automatisk failover är värdefullare här än i en chattarbetsbelastning, eftersom ett bildtextanrop som misslyckas vid minut fyra av en Q&A-session bör dirigeras om i stället för att renderingen går förlorad.

Beslutet, en rad vardera.

Om slutprodukten är ett färdigt klipp med ljud och du hellre inte äger en GPU, är Wan 2.7 den enda av de två som erbjuder dig det, och dess redigeringsvariant är det starkaste i familjen utifrån tillgänglig bevisning. Kontrollera avvecklingen den 10 oktober innan du satsar på reference-to-video.

Om leveransen är en pipeline som du kontrollerar, om femsekundersenheter passar din tagninglista, och om du vill finjustera eller köra offline, är Kandinsky 6.0 Video den enda av de två som tillåter det – på bekostnad av en rendering som är långsam på konsumenthårdvara och ett kvalitetsanspråk som fortfarande helt och hållet är labbets eget. Den händelse som är värd att bevaka på den sidan är enkel: en Elo.

En asymmetri är värd att nämna innan vi avslutar, eftersom den kommer att överleva båda modellerna. Wan 2.7:s tak är kontraktuellt och tekniskt Alibabas att fastställa — när svitens varianter pensioneras eller prissätts på nytt, ärver din pipeline beslutet. Taket för Kandinsky 6.0 Video är din egen hårdvara, och MIT-licensen innebär att en fork kan överleva labbets färdplan. Team som har bränt sig på att en modell försvinner från en katalog tenderar att väga den skillnaden tyngre ett år senare än de gjorde den dag de valde.